dc.description.resumo | A dengue é um problema de saúde mundial, destacando-se em países de clima tropical,
especialmente no Brasil. Ainda não existem formas eficazes de controle do mosquito,
entretanto, o uso de armadilhas chamadas “ovitrampas” pode ser feito para detectar a
presença dele e fazer o monitoramento da doença. Nas ovitrampas, o mosquito deposita
seus ovos em uma palheta contida em um recipiente com infusão de capim colonião, logo
em seguida esta palheta é submetida a contagem microscópica e manual. Entretanto, esse
procedimento é suscetível à falhas podendo culminar em erros. Assim, este trabalho tem
como objetivo automatizar a contagem a fim de evitar possíveis falhas, para tal utilizamos
um conjunto de hardware e software específico para a solução. O hardware tem em sua
composição um raspberry PI e um módulo de câmera acoplada cujo objetivo é capturar
uma sequência de imagens da palheta, controlando a luminosidade, a fim de realizar o
processamento da imagem de forma mais eficaz. O software é composto por algoritmos
de pré-processamento de imagens e detecção para, utilizando as imagens capturadas pelo
hardware, detectar a presença de ovos nas palhetas, foi usado da biblioteca OpenCV para
facilitar a implementação do software. No pré-processamento utilizamos borramento e
filtros de aguçamento para melhorar as imagens. Para detecção optamos pelo algoritmo
Haar Cascade, bastante explorado na literatura. Por fim, separamos 10 palhetas para os
experimentos. Comparamos os ovos reconhecidos e contabilizados pelo sistema proposto
com a quantidade real obtida pelo microscópio a fim de comprovar a efetividade do sistema. | pt_BR |
dc.relation.references | BENITO, G. A. V.; LICHESKI, A. P. Sistemas de informação apoiando a gestão do
trabalho em saúde. Revista Brasileira de Enfermagem, Associação Brasileira de
Enfermagem, v. 62, n. 3, 2009.
(BRAZIL), F. N. de S. Programa Nacional de Controle da Dengue-PNCD:
instituído em 24 de julho de 2002. [S.l.]: Fundação Nacional de Saúde, 2002.
CHAVES, B. B. Estudo do algoritmo AdaBoost de aprendizagem de máquina
aplicado a sensores e sistemas embarcados. Tese (Doutorado) — Universidade de
São Paulo, 2012.
DALLAZUANNA, H.; BONAT, W. H.; JUNIOR, P. R. Dengue um ambiente para o
monitoramento de ovos do mosquito aedes aegypti. 53 RBRAS-Reunião Brasileira
da Sociedade Internacional de Biometria, 2008, Lavras. Anais da 53 RBRAS,
2008.
DONALÍSIO, M. R.; GLASSER, C. M. Vigilância entomológica e controle de vetores
do dengue. Revista Brasileira de Epidemiologia, SciELO Public Health, v. 5, p.
259–279, 2002.
DUARTE, J. O Algoritmo Boosting at Start e suas Aplicaçoes. Tese (Doutorado)
— PUC-Rio, 2009.
FEITOSA, L. et al. Sistema de contagem automática de ovos do aedes aegypti a partir de
processamento de imagens das palhetas de ovitrampas. Instituto Federal de Educação,
Ciência e Tecnologia do Rio Grande do Norte, 2015.
FREUND, Y. An adaptive version of the boost by majority algorithm. Machine
learning, Springer, v. 43, n. 3, p. 293–318, 2001.
GONZALEZ, R.; WOODS, R. Processamento de imagens digitais, editora edgard blücher
ltda, s. Paulo, Brasil, v. 509, 2000.
KASINSKI, A.; SCHMIDT, A. The architecture and performance of the face and
eyes detection system based on the haar cascade classifiers. Pattern Analysis and
Applications, Springer, v. 13, n. 2, p. 197–211, 2010.
LIENHART, R.; MAYDT, J. An extended set of haar-like features for rapid object
detection. In: IEEE. Image Processing. 2002. Proceedings. 2002 International
Conference on. [S.l.], 2002. v. 1, p. I–I.
MELLO, C. A. et al. Automatic counting of aedes aegypti eggs in images of ovitraps. In:
Recent Advances in Biomedical Engineering. [S.l.]: InTech, 2009.
MENDONÇA, F. d. A.; SOUZA, A. Veiga e; DUTRA, D. de A. Saúde pública,
urbanização e dengue no brasil. Sociedade & natureza, SciELO Brasil, v. 21, n. 3,
2009.
OLIVEIRA, W. A. Zika vírus: histórico, epidemiologia e possibilidades no brasil. Revista
de Medicina e Saúde de Brasília, v. 6, n. 1, 2017.
PADILLA, R.; FILHO, C. C.; COSTA, M. Evaluation of haar cascade classifiers designed
for face detection. World Academy of Science, Engineering and Technology,
v. 64, p. 362–365, 2012.
REINIUS, S. Object recognition using the OpenCV Haar cascade-classifier on
the iOS platform. 2013.
REITER, P.; COLON, M. Enhancement of the cdc ovitrap with hay infusions for daily
monitoring of aedes aegyp?/populations. 1991.
SCHAPIRE, R. E.; SINGER, Y. Improved boosting algorithms using confidence-rated
predictions. Machine learning, Springer, v. 37, n. 3, p. 297–336, 1999.
SILVA, M. G. N. M. da; RODRIGUES, M. A. B.; ARAUJO, R. E. de. Sistema de
aquisição e processamento de imagens de ovitrampas para o combate a dengue. Rev.
Bras. Eng. Biom, SciELO Brasil, v. 28, n. 4, p. 364–374, 2012.
TITO, E. A. H. MÉTODOS BAYESIANOS EM VISÃO COMPUTACIONAL.
Tese (Doutorado) — UNIVERSIDADE FEDERAL DO RIO DE JANEIRO, 2005.
VIOLA, P.; JONES, M. Rapid object detection using a boosted cascade of simple
features. In: IEEE. Computer Vision and Pattern Recognition, 2001. CVPR
2001. Proceedings of the 2001 IEEE Computer Society Conference on. [S.l.],
2001. v. 1, p. I–I. | pt_BR |